Cơ sở lý thuyết của mô hình mạng (SEM) - Phần 2

Nay nhóm MBA   đăng phần thứ 2 loạt bài về mô hình SEM của tác giả  Phạm Đức Kỳ – (Nguồn: mba-15.com) để cung cấp thêm kiến thức cho các bạn học viên quan tâm. Loạt bài này gồm 5 phần.

Phần thứ 2: Giới thiệu về các khái niệm biến quan sát, tiềm ẩn, bậc tự do, sai số, phần dư, ẩn tàng, tường minh, tính xác định của mô hình...

3. Các phần tử trong mô hình mạng (SEM) 

Biến quan sát (Observed variable): còn gọi là biến chỉ báo (cấu tạo/phản ánh), biến đo lường, biến ngoại sinh hay biến độc lập…tùy trường hợp cụ thể.Trong hình 1a, mô hình biến quan sát được biểu diễn bằng hình chữ nhật (V1, V2, V3). Biến V1, V2, V3 có mũi tên đi ra nên trong trường hợp này còn được gọi là biến ngoại sinh hay biến độc lập (trong mô hình truyền thống). Trong hình 1b, mô hình biến quan sát V1, V2, V3 phản ánh biến tiềm ẩn F và biến tiềm ẩn F đóng vai trò biến ngoại sinh (nguyên nhân) trong mô hình SEM. (sẽ nói kỹ hơn ở phần phân biệt biến chỉ báo cấu tạo và biến chỉ báo phản ánh phía dưới)

 Hình 1: Mô hình biểu diễn quan hệ giữa các biến quan sát và biến tiềm ẩn

       Sự liên kết của các biến quan sát (chỉ báo) với các biến tiềm ẩn (không quan sát) là bước đầu tiên trong một thủ tục thống kê hình thức. Trái lại thông thường các thủ tục liên kết thường “ẩn tàng”-nếu ta cảm thấy một biến đo được nào đó có chỉ báo tốt của một khái niệm tiềm ẩn nào đó, thì chúng ta sẽ dùng nó.

        Biến tiềm ẩn(Latent Variable): còn gọi là nhân tố, biến nội sinh hay biến phụ thuộc trong mô hình truyền thống(hình 1a). Trái lại, trong mô hình SEM, biến tiềm ẩn trực tiếp ảnh hưởng kết quả hay giá trị của biến quan sát và biểu diễn dưới dạng hình ellipse(F1) như hình 2. Biến tiềm ẩn (nhân tố) F1 thể hiện một khái niệm lý thuyết, không thể đo trực tiếp được mà phải thông qua các biến quan sát V1, V2,V3. Trường hợp này biến F1 còn được gọi là nhân tố cơ sở (Underlying factor), trong mô hình đo lường.

Hình 2: Ví dụ về một mô hình đo lường

       Các biến tiềm ẩn hay các nhân tố cơ sở (F1, F2, F3) hay các sai số đo lường (e1,e2,e3) có thể tương quan với nhau ( mũi tên 2 chiều) hay có thể ảnh hưởng trực tiếp biến tiềm ẩn khác (mũi tên 1 chiều). Biến F3 trên hình vẽ có các mũi tên đi vào nên còn được gọi là biến nội sinh hay biến phụ thuộc ( trong mô hình hồi quy hay mô hình cấu trúc). 

       

Hình 3:Ví dụ một mô hình cấu trúc 

 

Số hạng sai số và phần dư (Error & Disturbance):  

       Số hạng sai số e_i biểu thị sai số của các biến đo lường, trong khi d_i biểu thị cho nhiễu hoặc sai số liên quan với giá trị dự báo của các nhân tố(biến) nội sinh từ các nhân tố(biến) ngoại sinh hay còn gọi là phần dư của ước lượng hồi quy. 

       Trong mô hình đo lường của SEM (hình 4), mỗi biến nội sinh có một số hạng sai số(e_i) hay nhiễu(d_i), nó thể hiện tính không chắc chắn và không chính xác của sự đo lường, đồng thời nó còn thể hiện tính chất này cho cả các biến chưa được phát hiện và không được đo lường trong mô hình.  

              Hình 4: các phần tử cơ bản trong mô hình SEM 

       Lưu ý rằng biến nội sinh là biến phụ thuộc vào biến khác ( V1,V2…,V6 và F3) có mũi tên vào/ra, còn biến ngoại sinh là biến không phụ thuộc vào biến khác (F1, F2) chỉ có mũi tên đi ra (không có bất kỳ nhiễu d hay bất kỳ sai số e nào) Ngoài ra, cũng cần phân biệt mũi tên một chiều giữa các biến tiềm ẩn và các biến quan sát biểu thị các hệ số tải (factor loadings) trong khi mũi tên một chiều giữa các khái niệm tiềm ẩn và các biến quan sát lại biểu thị hệ số hồi quy (regression coefficients) 

       Tóm lại, Một mô hình SEM đặc trưng là một phức hợp giữa một số lượng lớn các biến quan sát và không quan sát, các số hạng phần dư và các sai số. 

       Biến trung gian ( Mediator): Gọi X là biến nguyên nhân gốc, M là biến trung gian tiềm năng(hình 5), và Y là biến kết quả. Để xác định M là biến trung gian: 

       a) Chứng minh rằng X ---- > Y : Y liên quan với X, 

       b) Chứng minh rằng X ---- > M : M liên quan với X, 

       c) Chứng minh rằng M --- > Y là liên kết có ý nghĩa trong hồi quy hai biến dự báo 

Hình 5: Biến trung gian trong mô hình SEM

 

 

       d) Giả định các kiểm định trên đều thỏa mãn, khi đó:

     i) Nếu liên kết : X -- >Y không có ý nghĩa ở c) : M trung gian toàn phần;

     ii) Nếu liên kết : X --- >Y có ý nghĩa ở c) : M trung gian một phần.

       Nếu một khái niệm ( construct) làm trung gian trong tác động của các biến ngọai sinh lên một biến phụ thuộc, phải đưa các quan hệ chức năng này vào mô hình. Các biến ngọai sinh nếu là biến trung gian một phần(tức là một liên kết trực tiếp hay gián tiếp với một biến phụ thuộc) thường là các biến dự báo quan trọng hơn cho một biến phụ thuộc, hơn là các biến tương tự: biến trung gian toàn phần. Nếu các tác động trung gian không được xem xét thích hợp ta có thể bị nhầm lẫn về sự quan trọng tương đối của các nhân tố khác nhau trong sự tác động lên một khái niệm.

       Phân biệt khái niệm “Ẩn tàng” và khái niệm “Tường minh”

       Biến chỉ báo phản ánh (Reflective Indicators) có quan hệ liên đới với nhau, sự thay đổi của một biến chỉ báo này kéo theo sự thay đổi của biến chỉ báo khác thể hiện qua tính nhất quán cục bộ được đo bằng hệ số Cronbach’s Alpha.

       Biến chỉ báo cấu tạo (Formative Indicators) không cần thiết có liên quan với nhau, sự thay đổi của một biến chỉ báo này không ảnh hưởng đến các biến chỉ báo khác, do vậy không áp dụng đo tính nhất quán.

       Hai khái niệm này được phối hợp lại trong mô hình nghiên cứu trong đó biến chỉ báo cấu tạo là nguyên nhân trong khi biến chỉ báo phản ánh thì phản ánh kết quả.  

4. Tính xác định của mô hình SEM

        Tính xác định có nghĩa là có ít nhất một lời giải độc nhất cho mỗi ước lượng thông số trong một mô hình SEM. Số thông số cần ước lượng bằng số phương sai (Variance) hay hiệp phương sai(Covariance) của các biến ngoại sinh (biến quan sát hay không quan sát) và các tác động trực tiếp của các biến quan sát lên các biến nội sinh. 

       Để xác định mô hình nghiên cứu thuộc loại mô hình nào trong ba loại mô hình “Vừa xác định- Just Identification”; “Kém xác định- Under Identification” hay “Quá xác định- Over Identification” thì cần phải tính toán số bậc tự do của mô hình. 

       Bậc tự do là sự khác biệt giữa tổng số dữ liệu quan sát đầu vào (data points) và tổng số các thông số ước lượng trong SEM , được xác định bằng công thức sau:  

       df = 1/2[(p + q)(p + q +1)] – t

 Trong đó:

        p= số các biến chỉ báo nội sinh

        q= số các biến chỉ báo ngoại sinh

       (p+q = số biến quan sát)

        t= Số các thông số ước lượng 

       ½[(p+q)(p+q+1) = Số quan sát hay hiệp phương sai trong ma trận (data points) 

       1) Mô hình “vừa xác định” (Just Identification): Mô hình có df =0 và chỉ có một lời giải khả dĩ cho mỗi ước lượng thông số. Ví dụ: 2x+y =7; 3x+2y=11 

       2) Mô hình “kém xác định” (Under Identification): Mô hình có df < 0 và có vô số các giá trị ước lượng thông số. Vi dụ : 2x +y =7 

       3) Mô hình “quá xác định”(Over Identification): Mô hình có df > 0 và có hơn một lời giải khả dĩ (nhưng có một lời giải tối ưu hay tốt nhất đối với mỗi ước lượng thông số). Mô hình “quá xác định” xảy ra khi mỗi thông số được xác định và ít nhất một thông số thì “quá xác định” (có nhiều hơn một phương trình cho ước lượng thông số này). Thông thường mô hình “quá xác định” được ưa thích hơn, có bậc tự do dương (df>0). Mục tiêu là đạt được df càng lớn càng tốt. 

       Việc đặt các hạn chế(ràng buộc) trên mô hình “quá xác định” cho chúng ta kiểm định các giả thuyết (dùng  Chi Square và các chỉ số khác).  

       Sự “xác định” là một yêu cầu về cấu trúc hay toán học để có thể tiến hành phân tích SEM. 

       Sự “kém xác định” trong thực nghiệm xuất hiện khi có một thông số ước lượng tính “xác định” của mô hình có giá trị gần bằng 0. Do tính chất lặp của ước lượng SEM, một thông số ước lượng (phương sai chẳng hạn) bắt đầu với giá trị dương và tiến dần về giá trị 0. 

       Trong nghiên cứu mô hình SEM cần cố gắng xác định nguyên nhân của tính kém xác định là do cấu trúc hay kém xác định do thực nghiệm.

 - Nếu kém xác định do cấu trúc: Xác định lại mô hình

 - Nếu kém xác định do thực nghiệm: điều chỉnh bằng cách thu thập thêm dữ liệu hay xác định lại mô hình.

Ngoài ra nhóm hotrospss@gmail.com có các dịch vụ sau:

- Tư vấn mô hình/bảng câu hỏi/ traning trực tiếp về phân tích hồi quy, nhân tố, cronbach alpha... trong SPSS, và mô hình SEM, CFA, AMOS

- Thu thập/Xử lý số liệu khảo sát để chạy ra kết quả có ý nghĩa thống kê.

Cơ sở lý thuyết của mô hình mạng (SEM) - Phần 1

Nay nhóm MBA   đăng loạt bài về mô hình SEM của tác giả  Phạm Đức Kỳ – (Nguồn: mba-15.com) để cung cấp thêm kiến thức cho các bạn học viên quan tâm. Loạt bài này gồm 5 phần.

Phần thứ 1:

1. Giới thiệu tổng quan mô hình mạng (SEM) 

Một trong những kỹ thuật phức hợp và linh hoạt nhất sử dụng để phân tích mối quan hệ phức tạp trong mô hình nhân quả là mô hình mạng SEM (Structural Equation Modeling). Mô hình SEM đã được sử dụng rộng rãi trong các lĩnh vực nghiên cứu như tâm lý học (Anderson & Gerbing,1988; Hansell và White, 1991), xã hội học (Lavee, 1988; Lorence và Mortimer, 1985), nghiên cứu sự phát triển của trẻ em (Anderson, 1987; Biddle và Marlin,1987) và trong lĩnh vực quản lý (Tharenou, Latimer và Conroy,1994). Đặc biệt mô hình này cũng được ứng dụng trong rất nhiều mô hình thỏa mãn khách hàng như : ngành dịch vụ thông tin di động tại Hàn Quốc (M.-K. Kim et al. / Telecommunications Policy 28 (2004) 145–159), Mô hình nghiên cứu sự trung thành của khách hàng Dịch vụ thông tin di động tại Việt nam (Phạm Đức Kỳ, Bùi Nguyên Hùng, 2007)...

Mô hình SEM là sự mở rộng của mô hình tuyến tính tổng quát (GLM) cho phép nhà nghiên cứu kiểm định một tập hợp phương trình hồi quy cùng một lúc.

SEM có thể cho một mô hình phức hợp phù hợp với dữ liệu như các bộ dữ liệu khảo sát trong dài hạn(longitudinal), phân tích nhân tố khẳng định (CFA), các mô hình không chuẩn hoá,cơ sở dữ liệu có cấu trúc sai số tự tương quan, dữ liệu với các biến số không chuẩn(Non-Normality) , hay dữ liệu bị thiếu (missing data).

Đặc biệt, SEM sử dụng để ước lượng các mô hình đo lường (Mesurement Model) và mô hình cấu trúc (Structure Model) của bài toán lý thuyết đa biến.

Mô hình đo lường chỉ rõ quan hệ giữa các biến tiềm ẩn (Latent Variables) và các biến quan sát (observed variables).Nó cung cấp thông tin về thuộc tính đo lường của biến quan sát (độ tin cậy, độ giá trị).

Mô hình cấu trúc chỉ rõ mối quan hệ giữa các biến tiềm ẩn với nhau. Các mối quan hệ này có thể mô tả những dự báo mang tính lý thuyết mà các nhà nghiên cứu quan tâm.

Mô hình SEM phối hợp được tất cả các kỹ thuật như hồi quy đa biến, phân tích nhân tố và phân tích mối quan hệ hỗ tương (giữa các phần tử trong sơ đồ mạng) để cho phép chúng ta kiểm tra mối quan hệ phức hợp trong mô hình. Khác với những kỹ thuật thống kê khác chỉ cho phép ước lượng mối quan hệ riêng phần của từng cặp nhân tố (phần tử) trong mô hình cổ điển (mô hình đo lường), SEM cho phép ước lượng đồng thời các phần tử trong tổng thể mô hình, ước lượng mối quan hệ nhân quả giữa các khái niệm tiềm ẩn (Latent Constructs) qua các chỉ số kết hợp cả đo lường và cấu trúc của mô hình lý thuyết, đo các mối quan hệ ổn định (recursive) và không ổn định (non-recursive), đo các ảnh hưởng trực tiếp cũng như gián tiếp, kể cả sai số đo và tương quan phần dư. Với kỹ thuật phân tích nhân tố khẳng định (CFA) mô hình SEM cho phép linh động tìm kiếm mô hình phù hợp nhất trong các mô hình đề nghị.

2. Công dụng và lợi thế của mô hình mạng (SEM)

• Kiểm định các giả thuyết về các quan hệ nhân quả có phù hợp (FIT) với dữ liệu thực nghiệm hay không.

• Kiểm định khẳng định (Confirmating) các quan hệ giữa các biến.

• Kiểm định các quan hệ giữa các biến quan sát và không quan sát (biến tiềm ẩn)

• Là phương pháp tổ hợp phương pháp hồi quy, phương pháp phân tích nhân tố, phân tích phương sai.

• Ước lượng độ giá trị khái niệm (cấu trúc nhân tố) của các độ đo trước khi phân tích sơ đồ đường (path analysis)

• Cho phép thực hiện đồng thời nhiều biến phụ thuộc (nội sinh).

• Cung cấp các chỉ số độ phù hợp cho các mô hình kiểm định.

• Cho phép cải thiện các mô hình kém phù hợp bằng cách sử dụng linh hoạt các hệ số điều chỉnh MI (Modification Indices).

• SEM cung cấp các công cụ có giá trị về thống kê, khi dùng thông tin đo lường để hiệu chuẩn các quan hệ giả thuyết giữa các biến tiềm ẩn.

• SEM giúp giả thuyết các mô hình, kiểm định thống kê chúng (vì EFA và hồi quy có thể không bền vững nhất quán về mặt thống kê)

• SEM thường là một phức hợp giữa một số lượng lớn các biến quan sát và tiềm ẩn, các phần dư và sai số.
• SEM giả định có một cấu trúc nhân quả giữa các biến tiềm ẩn có thể là các tổ hợp tuyến tính của các biến quan sát, hoặc là các biến tham gia trong một chuỗi nhân quả.
  

Ngoài ra nhóm hotrospss@gmail.com có các dịch vụ sau:

- Tư vấn mô hình/bảng câu hỏi/ traning trực tiếp về phân tích hồi quy, nhân tố, cronbach alpha... trong SPSS, và mô hình SEM, CFA, AMOS

- Thu thập/Xử lý số liệu khảo sát để chạy ra kết quả có ý nghĩa thống kê.

Cách tính phương sai trích Average Variance Extracted AVE trong AMOS

-Năm ngựa 2014 sắp hết đón tết con dê 2015, admin tranh thủ viết bài về cách tính phương sai trích Average Variance Extracted (viết tắt là AVE)  để hỗ trợ các bạn Tết về nghiên cứu thêm về AMOS.

-Đầu tiên cần lưu ý hai khái niệm "phương sai trích" và "tổng phương sai trích" là hai khía niệm khác nhau, nhưng một số bạn nhầm lẫn và trong bài cứ ghi AVE là "tổng phương sai trích". Điều này là chưa chính xác, vì tổng phương sai trích tiếng Anh là Cumulative of Variance, nghĩa là sự tích lũy của phương sai. Còn phương sai trích tiếng Anh là Average Variance Extracted, nghĩa là giá trị trung bình của phương sai.

-Và khi phân tích AMOS, ta chỉ sử dụng khái niệm "phương sai trích" Average Variance Extracted 

- Đầu tiên, nói về công thức tính phương sai trích, phương sai trích được tính cho từng nhân tố đơn hướng, sẽ chạy riêng cho từng nhân tố một. Công thức tính phương sai trích được tính dựa trên giá trị Standardized Regression Weight như sau:

Bây giờ sẽ thực hiện tính tự động giá trị phương sai trích như sau:

-Bước 1: Chạy CFA, lấy được kết quả  Standardized Regression Weight của một nhân tố, ví dụ ở đây tên nhân tố là USEFUL:

-Bước 2: vào đường dẫn sau http://phantichspss.com/AverageVarianceExtractedhotrospss.htm, màn hình sẽ hiện ra như sau:

-Bước 3: Nhấn nút thêm Item thêm vài lần để hiện ra cho đủ 7 dòng. Sau đó nhập các  giá trị Estimate ở bảng Standardized Regression Weight vào cột màu đỏ như hướng dẫn, kết quả sẽ như sau:

-Bước 4: đọc kết quả, kết quả AVE ra là  0.697 > 0.5 , như vậy phương sai trích của thang đo này tốt và được chấp nhận.

Cách tính độ tin cậy tổng hợp Composite Reliability trong AMOS

     Hôm nay nhóm MBA ĐH Bách Khoa TP.HCM giới thiệu đến các bạn một khái niệm mới trong AMOS. Đó là khái niệm độ tin cậy tổng hợp.

- Thông thường, để tính độ tin cậy thì chỉ cần dùng chỉ số Cronbach's Alpha đã quen thuộc trong SPSS. Tuy nhiên trong AMOS có thêm một khái niệm nữa để khẳng định độ tin cậy của thang đo, đó là khái niệm Độ tin cậy tổng hợp ( Composite Reliability) - hay các viết khác là CR. Các bạn lưu ý CR ở đây khác với khái niệm giá trị tới hạn C.R ( Critical Ratios).

-  Độ tin cậy tổng hợp được tính cho từng nhân tố đơn hướng, tương tự như cách áp dụng cronbach's alpha, sẽ chạy riêng cho từng nhân tố một. Công thức tính độ tin cậy tổng hợp được tính dựa trên giá trị Standardized Regression Weight như sau:

Bây giờ sẽ thực hiện tính tự động giá trị độ tin cậy tổng hợp như sau:

-Bước 1: Chạy CFA, lấy được kết quả  Standardized Regression Weight của một nhân tố, ví dụ ở đây tên nhân tố là USEFUL:

-Bước 2: vào đường dẫn sau http://phantichspss.com/CompositeReliabilityhotrospss.htm , màn hình sẽ hiện ra như sau:

-Bước 3: Nhấn nút thêm Item thêm vài lần để hiện ra cho đủ 7 dòng. Sau đó nhập các  giá trị Estimate ở bảng Standardized Regression Weight vào cột màu đỏ như hướng dẫn, kết quả sẽ như sau:

-Bước 4: đọc kết quả, kết quả CR ra là  0.941 > 0.5 , như vậy độ tin cậy tổng hợp của thang đo này tốt và được chấp nhận.

(Nếu bạn gặp bất kì khó khăn khi chạy AMOS, hãy liên hệ nhóm MBA Bách Khoa hotrospss@gmail.com để được tư vấn, hỗ trợ...)

TP.HCM Feb9-2015

Hướng dẫn download và cài đặt phần mềm AMOS version 20

Nay nhóm ThS QTKD Bách Khoa giới thiệu link để các bạn download AMOS về sử dụng. Đây là bản amos phiên bản 20. Phiên bản mới nhất là AMOS 22. Khi làm luận văn, so sánh sử dụng 2 phiên bản này để chạy các chức năng phân tích CFA, SEM... kết quả đều như sau. Sự khác biệt giữa hai phiên bản này rất ít. Các bạn trong quá trình cài đặt có thắc mắc cứ mail cho nhóm nhé ( hotrospss@gmail.com)

Các bạn download phần mềm AMOS bản 20 ở link sau:
http://phantichspss.com/tong-hop-link-download-phan-mem-spss-amos.html

Khi cài , nhập số dưới đây vào License Authorization Wizard
YVI5LC9RR9T2D9WNZO3NCDVT9M3BCU7OSVQCBM7VWFZ5V2HQ52 BSXI4TIZ5DC82JYJXJGV75FRWTNVINL4
Chi tiết cụ thể cách cài các bạn tham khảo video hướng dẫn sau nhé.

Quan hệ giữa SPSS AMOS và AMOS

Nay nhóm chia sẻ với các bạn một số kiến thức về AMOS và SPSS (dành cho các bạn mới tìm hiểu AMOS và SPSS phục vụ cho học tập và làm luận văn)

Điểm chung: hai phần mềm SPSS và AMOS đều là phần mềm thống kê của hãng IBM.
- SPSS có cái hay riêng của nó, tuy không xử lý được việc giải bài toán nhiều phương trình hồi quy nằm chung. Nhưng SPSS lại chuyên về phân tích tần số, anova, thống kê mô tả, tương quan, hồi quy, kiểm định có tham số, kiểm định phi tham số các loại. Hệ điều hành hỗ trợ Windows, Mac OS. SPSS được sản xuất bởi SPSS Inc.,  nó đã được mua lại bởi IBM vào năm 2009. Các phiên bản hiện tại  được chính thức đặt tên là IBM SPSS Statistics SPSS, đây là một chương trình sử dụng rộng rãi để phân tích thống kê trong khoa học xã hội . Nó cũng được sử dụng bởi các nhà nghiên cứu thị trường, các nhà nghiên cứu y tế, công ty khảo sát, chính phủ, các nhà nghiên cứu giáo dục, các tổ chức tiếp thị, kĩ sư khai thác dữ liệu...Các thống kê căn bản trong phần mềm SPSS:
+Thống kê mô tả : Lập bảng chéo, tần số, Descriptives, khám phá, mô tả, tỷ lệ
+Thống kê đơn biến : trung bình, t -test, ANOVA, tương quan ( hai biến, từng phần partial, khoảng cách), kiểm tra phi tham số
+Dự đoán kết quả: hồi quy tuyến tính
+Dự đoán phân  nhóm nhóm: phân tích nhân tố, phân tích cluster ( hai bước, K -means, phân cấp), biệt số.
- IBM Amos ( hay còn gọi là SPSS AMOS) là công cụ để dễ dàng thực hiện biểu các mô hình cấu trúc (SEM) để xây dựng các mô hình với độ chính xác hơn các kỹ thuật thống kê đa biến tiêu chuẩn. Điều  này không thể làm được nếu chỉ sử dụng phần mềm SPSS trong trường hợp mô hình có nhiều biến phụ thuộc và trung gian. Với SPSS Amos, bạn có thể xác định, ước lượng, đánh giá, và trình bày mô hình của bạn trong một giao diện trực quan cho thấy mối quan hệ giữa các biến số giả thuyết . SPSS Amos cũng cung cấp một phương pháp phi đồ họa để xác định mô hình . SPSS Amos là công cụ hoàn hảo cho nhiều mục đích, ngoài ra còn cho phép sử dụng lập trình VB# hoặc C# để thiết kế mô hình. Hệ điều hành hỗ trợ Windows. Định dạng dữ liệu cho Amos thường dùng định dạng file input của SPSS. Phân tích CFA, kiểm định SEM, phân tích bootstrap, phân tích đa nhóm, phân tích tác động của biến điều tiết, biến trung gian được thực hiện với phần mềm AMOS này.
Tóm lại: nếu muốn đánh giá tổng thể một mô hình gồm nhiều ước lượng hồi quy, tương quan… AMOS là lựa chọn số một. Tuy nhiên nếu mô hình đơn giản, chỉ có một biến phụ thuộc, không có biến trung gian thì dùng SPSS là đủ để đánh giá.
Trong việc làm luận văn, nếu bạn chỉ sử dụng SPSS thì không cần cài AMOS là gì. Tuy nhiên nếu bạn định sử dụng AMOS để chạy mô hình thì bắc buộc phải cài thêm phần mềm SPSS để thực hiện các kiểm định cronbach’s alpha, EFA trước khi có thể chạy CFA và SEM với AMOS.
hotrospss@gmail.com- January 9, 2015

Quan hệ giữa PCLOSE và RMSEA

  

   Hôm nay nhóm MBA ĐH Bách Khoa TP.HCM giới thiệu đến các bạn khái niệm PCLOSE trong kiểm định AMOS, phần này xuất hiện trong mục Model Fit trong phần kết quả của AMOS.

   PCLOSE là giá trị p để kiểm định giả thiết null rằng RMSEA của tổng thể không lớn hơn 5%

     H₀: RMSEA ≤ 0.05

     Theo Browne and Cudeck (1993), RMSEA khoảng 0.05 hoặc nhỏ hơn thì mô hình close fit. Do đó giá trị p này được đặt tên là PCLOSE, dùng để test close fit. Lưu ý là khái niệm close fit gắn liền với giá trị RMSEA.

     Nếu PCLOSE nhỏ hơn 5%, thì bác bỏ giả thiết null, và kết luận RMSEA lớn hơn 0.05 ( mô hình chưa đạt được close fit). Vì thế chúng ta mong muốn giá trị PCLOSE lớn hơn 5% để kết luận được rằng RMSEA bé hơn 0.05.

January2015 -  hotrospss@gmail.com